[论文解读] A Logistic Regression Approach to Field Estimation Using Binary Measurements

Alex S. Leong, Mohammad Zamani+1 more|arXiv (Cornell University)|Jun 1, 2022

Fault Detection and Control Systems参考文献 21被引用 8

一句话总结

本文提出一种基于近似在线牛顿法的在线逻辑回归方法，用于利用二值传感器测量进行场估计，相较于序列蒙特卡洛方法，计算成本更低且性能更稳定。该方法通过计算高效的海森矩阵近似和基于最小化海森矩阵条件数的主动感知策略，递归更新场参数估计，与先前方法相比显著减少了运行时间，实现了可靠的场重建。

ABSTRACT

In this letter, we consider the problem of field estimation using binary measurements. Previous work has formulated the problem as a parameter estimation problem, with the parameter estimation carried out in an online manner using sequential Monte Carlo techniques. In the current work, we consider an alternative approach to the parameter estimation based on online logistic regression. The developed algorithm is less computationally intensive than the sequential Monte Carlo approach, while having more reliable estimation performance.

研究动机与目标

• 解决在CBRN场景中使用移动传感器的低成本二值测量来估计空间分布场的挑战。
• 为场估计问题中的在线参数估计开发一种计算高效的序列蒙特卡洛方法替代方案。
• 设计一种主动感知策略，通过基于代价函数海森矩阵选择信息丰富的测量位置来提高估计精度。
• 确保在噪声大、分辨率低的二值测量条件下，参数估计的鲁棒性和稳定性。
• 在保持或提升估计精度的同时，降低计算负载，优于现有方法。

提出的方法

• 将场建模为未知系数 β 的高斯径向基函数之和，以待估计。
• 采用逻辑回归框架，其中二值测量 z(x) = 1(y(x) > τ) 通过逻辑函数 ℓ(η(β^T K(x) - τ)) 建模。
• 应用近似在线牛顿法（ONM）递归更新 β，通过递归海森矩阵近似避免累积计算。
• 推导出一种计算高效的海森矩阵更新方法，通过遗忘因子近似海森矩阵累积，保持每次迭代的计算成本恒定。
• 提出一种主动感知策略，通过最大化期望海森矩阵的最小特征值来选择下一个测量位置，确保参数估计的稳定性。
• 通过当前与前一方向向量的凸组合实现运动平滑技术，以提高轨迹平滑性和收敛性。

实验结果

研究问题

• RQ1 与序列蒙特卡洛方法相比，基于近似ONM的在线逻辑回归能否在二值场估计中实现更高的计算效率？
• RQ2 在估计精度和稳定性方面，所提出的近似ONM与精确ONM及SMC相比表现如何？
• RQ3 基于海森矩阵数值特性的主动感知策略是否能在二值测量设置下优于信息论方法？
• RQ4 初始化敏感性和数值条件性对ONM在此上下文中的收敛性和鲁棒性有何影响？
• RQ5 与随机采样或贪婪采样相比，基于海森矩阵的主动感知策略在多大程度上提升了估计性能？

主要发现

• 在100次模拟中，近似ONM的中位均方误差（MSE）为0.00374，优于精确ONM（0.00470）和SMC（0.00391），在一致性和稳定性方面表现更优。
• 近似ONM的平均运行时间为每次模拟1.3秒，显著快于精确ONM（13.0秒）和SMC（9.5秒）。
• 精确ONM在早期迭代中因海森矩阵病态而出现数值不稳定性，实际应用中需引入阻尼和正则化。
• 与近似ONM相比，精确ONM的参数估计随时间表现出更高的方差，表明其收敛稳定性较差。
• 基于海森矩阵的主动感知策略有效引导车辆前往信息丰富的区域，提升了估计精度，且无需依赖信息论度量。
• 所提方法在存在噪声和粗粒度二值测量条件下仍保持可靠性能，展示了在真实传感环境下的鲁棒性。